一种基于改进双树复小波变换的地形纹理特征提取方法

地形纹理特征提取和识别是地形自动分类的关键。该文在分析已有地形纹理特征提取方法的基础上,提出一种基于双树复小波变换的地形纹理特征提取和识别方法。该方法将DEM地形垂直特征信息引入双树复小波变换模型,设计并实现了面向DEM地形数据特点的地形纹理特征提取方法。以陕北黄土丘陵沟壑区为实验样区,选取6个不同地貌特征共109个典型地形纹理样本进行特征识别实验,并将实验结果与常用的灰度共生矩阵(GLCM)模型及Gabor滤波结合PCA方法进行对比。研究显示,基于地形垂直特征改进的双树复小波变换模型对6类样本有较高的识别精度,同时消耗最短的纹理特征构建时间。     

基于ASTER GDEM数据喀斯特区域地貌类型划分与分析

以30 m分辨率ASTER GDEM数据为基础,通过GIS空间分析和非监督分类的方法进行地貌基本类型的自动划分。研究结果表明:①ASTERGDEM数据能够满足1∶10万比例尺下喀斯特区域的地表形态表达;②以流域为单位提取地形因子符合地貌发育的基本规律,提取的地形因子能客观的反应地表真实形态;③采用非监督分类法能够有效的实现1∶10万比例尺下地貌基本形态的定量化、自动化分类。     

耦合光谱、纹理信息的森林蓄积量估算研究

本研究以Landsat 8为遥感数据源,以样地调查数据和森林资源二调数据为辅助数据对西藏林芝县的森林蓄积量进行反演研究。研究通过多元回归分析构建了林芝县森林蓄积的估算模型。为验证纹理信息的加入能否提高森林蓄积量遥感反演的精度,研究通过灰度共生矩阵提取了Landsat 8的纹理特征。在分析了森林蓄积量与遥感影像各波段、植被指数、纹理特征以及地形因子之间的相关关系后,分别以(1)光谱和地形因子、(2)纹理信息、(3)光谱因子、地形特征和纹理特征结合为自变量构建森林蓄积量的遥感估测回归模型。实验结果表明:传统的森林蓄积量反演方法得到的精度最低,而基于光谱因子、地形特征和纹理特征结合的森林蓄积量估测模型得到结果的精度最高,达到80.24%,均方根误差RMSE为1.018。研究结果证明随着纹理信息的引入,原本仅基于光谱和地形因子的森林蓄积量反演复相关系数从0.5843提高到0.7075,反演精度提高了10.06%,这说明纹理信息对森林蓄积的反演精度有提高的作用。本研究构建的基于光谱因子、地形特征和纹理特征结合的回归模型对研究区内的森林蓄积量反演具有可靠性,对于森林资源的监测和管理具有重要的意义。     

DEM提取黄土高原地面坡度的不确定性

选择陕北黄土高原6个典型地貌类型区为试验样区,采用野外实测及高精度的1:1万比例尺DEM为基准数据,研究栅格分辨率及地形粗糙度对DEM所提取地面平均坡度精度的影响。结果显示,对于1:1万比例尺DEM,5 m是保证该地区地形描述精度的理想分辨率尺度;多要素逐步回归模拟的方法进一步揭示了DEM所提取的地面平均坡度误差E与栅格分辨率X以及地形起伏的代表性因子-沟壑密度S之间存在的量化关系为E = (0.0015S2+0.031S-0.0325)X-0.0045S2-0.155S+0.1625,该结果也为确定适用的DEM分辨率提供了理论依据。     

基于纹理和地形辅助的山区土地利用信息提取研究

山区地物类型复杂多样,传统计算机分类难以有效克服"同物异谱"或"同谱异物"等现象,分类后"椒盐现象"严重。该文以川西南攀枝花市的部分山区为实验区,使用IKONOS高分辨率遥感影像,采用面向对象分类方法,在ERDAS9.2、ENVI4.8和eCognition8.0等软件平台支持下,以多尺度分割后的对象为单元,辅以纹理特征、形状因子、地形因子等特征参与分类过程,实现了对实验区土地利用信息的提取。研究表明,基于纹理和地形辅助的面向对象分类方法能对山区土地利用信息进行快速、准确地提取,并在分类精度和分类准确性方面均较传统监督分类方法有较大提升:分类总体精度达到90.57%,较传统监督分类提高17.75%;Kappa系数达到0.8892,较传统分类提高了0.1875;各类型土地的分类面积准确率都在90%以上,与实地调研地类面积更为接近。     

基于高分一号影像的土地覆被分类方法初探

高分一号是我国发射的第一颗高分辨率卫星,其包含地物信息较为丰富,较多的应用于土地覆被分类中,但高分影像普遍存在基于像元分类精度稍低的问题,为了提高遥感影像的分类精度,基于高分一号影像,以新疆艾比湖湿地保护区为研究样区进行土地覆被分类研究。利用灰度共生矩阵方法提取图像的纹理信息,并将结果作为参数量输入到支持向量机(SVM)分类器中,将研究结果与传统的SVM分类及最大似然分类法作对比分析可得:辅以纹理特征的SVM分类方法可更好的区分地物信息,分类精度高达93.64%;传统的SVM分类精度为92.27%;最大似然分类为87.90%;因地制宜的开展辅以纹理特征的SVM分类方法是提高土地覆被监测精度的有效手段。     

基于随机森林与特征选择的藏东南土地覆被分类方法及精度评价

由于云污染、实地验证点的匮乏,以及地形地貌的复杂、破碎化,多云山区土地覆被的准确分类较难实现。以藏东南这一典型的多云山区及生态过渡区为研究区,基于Google Earth Engine(GEE)平台和野外实测数据,结合多光谱数据、雷达数据、高程数据、辅助数据,提取光谱特征、纹理特征、地形特征等信息,利用递归特征消除法对特征进行优化,并采用随机森林算法构建分类模型,以期有效利用多源遥感数据提高土地覆被分类精度。结果表明：(1)并非特征越多分类精度越高,特征选择后数量由58个减至38个,分类精度（总体精度93.96%,Kappa系数0.92）较未优化前（总体精度93.11%,Kappa系数0.92）略有提升。(2)地形特征及雷达特征对藏东南土地覆被分类具有重要作用,地形特征对多数土地覆被类型的分类精度具有影响,而雷达数据对裸地、建设用地、灌丛影响较大,分类过程中如不考虑地形及雷达特征,总体精度分别降至88.98%,92.48%。纹理特征以及时序特征仅对提高具有明显纹理以及时序变化的土地覆被类型的精度有帮助。结合随机森林和特征优化算法,能够在保证土地覆被分类精度的同时,高效整合多源数据信息,...     

基于纹理特征的高分辨率遥感图像土地利用分类研究

为了提高高分辨率遥感图像土地利用分类精度,该文以金沙江下游河谷地带SPOT 5遥感图像350×350像元作为试验区,在ERDAS IMAGINE 9.0和ENVI 4.1软件平台支持下,采用灰度共生矩阵方法提取遥感图像对比度、角二阶矩、熵、同质度等纹理指标辅助遥感图像分类,分析结果表明,相对于传统监督分类方法,基于纹理特征辅助监督分类方法总Kappa系数提高了9.15%,耕地、林地、水域、建设用地、未利用地Kappa系数分别提高了7.60%、6.17%、3.59%、15.74%和2.96%,分类结果面积准确率分别提高了3.38%、13.47%、4.65%、10.22%和1.53%,说明纹理辅助监督分类方法相对于传统监督分类方法有效提高了土地利用分类精度。     

基于Sentinel-2A时序数据和面向对象决策树方法的植被识别

Sentinel-2A数据具有较高的空间分辨率和时间分辨率,克服了以往时序数据难以获取或空间分辨率低的问题。该文以山西省吕梁市陈家湾流域为研究区,基于Sentinel-2A时序数据,根据归一化植被指数(NDVI)时序曲线特征和光谱特征,构建基于面向对象决策树方法的分层分类模型,成功提取了陈家湾流域的植被信息,分类总体精度达到89.7%,Kappa系数为0.87。基于面向对象决策树方法的多时相分类结果与单时相分类结果相比,可以有效改善波谱特征相近和受地形影响较大地物的区分,减少混分现象;基于Sentinel-2A时序数据和面向对象决策树分类方法能够有效提高植被分类的精度。     

基于Landsat 8 OLI数据与面向对象分类的昆嵛山地区土地覆盖信息提取

利用2015年Landsat 8 OLI遥感影像和DEM作为分类数据源,结合野外调查数据,采用面向对象的分类方法对昆嵛山地区土地覆盖信息进行提取,并对分类结果进行精度评价与比较分析。研究表明：面向对象分类方法提取的各地类连续且边界清晰,分类效果与实际情况基本吻合。昆嵛山地区占主导地位的土地覆盖类型是针叶林,面积为1 546.81 km²。研究区土地覆盖分类的总体精度和Kappa系数分别为91.5%和0.88,其中针叶林、草地、水体和建设用地的生产者精度均达到87%以上。相对于监督分类方法,本研究提出的土地覆盖信息提取方法的总体分类精度和Kappa系数分别提高14.7%和0.17。基于面向对象的中分辨率遥感影像,能够获取较高精度的土地覆盖信息,为大范围土地覆盖分类研究提供方法参考。     

基于高分二号的云南松林遥感影像提取方法研究

基于高空间分辨率的高分二号遥感影像,建立包含影像光谱特征、几何特征、纹理特征在内的分类特征集,使用面向对象的分类算法提取研究区的云南松林。研究表明:光谱特征、几何特征和纹理特征同时参与分类,得到的分类效果比单独使用一种特征或两种特征组合的分类效果更显著;与贝叶斯分类算法、K最邻近分类算法、支持向量机分类算法相比,随机森林算法的分类结果总体精度最高,为93.35%,对研究区云南松林提取的生产者精度为96.91%,用户精度为92.35%;云南松林面积占研究区面积的40.10%,是研究区最为重要的树种。     

地形复杂度的多因子综合评价方法

地形复杂度指标(Terrain Complexity Index,TCI)是评价地表起伏和褶皱程度的指标,广泛应用于DEM数字地形分析、数据综合和建模、地貌分类以及DEM精度研究等领域。然而目前地形复杂度指标多数采用单一地形指标或区域统计指标,缺乏局部的复合评价指标。为此,引入多因子分析方法和局部窗口分析方法,探讨一种基于格网DEM数据的复合地形复杂度指标(Compound Terrain Complexity Index,CTCI)的建模方法。首先利用多因子评价方法选取4种局部地形因子(局部高差、局部标准差、局部褶皱度、局部全曲率),之后利用局部窗口分析方法获取各指标的计算值,最后融合4种因子得到每个格网的CTCI。在实验分析中,选取了3个典型地貌样区和1个混合地貌样区,实验结果表明:CTCI能从整体上区分不同典型地貌区的地形复杂程度,同时CTCI在局部范围与混合地貌样区的等高线的密度和变化程度有较好的吻合,表明CTCI能从整体和局部反映地表的起伏和褶皱变化,是较好的地形复杂度评价指标。     

基于知识规则的遥感影像土地利用分类研究

以重庆北碚主城区为研究区域,提出一种基于遥感影像的光谱特征、灰度共生矩阵纹理特征和形状特征建立知识规则的方法,对该研究区进行土地利用分类。对QuickBird卫星影像进行分辨率融合,重点分析典型地物的光谱特征和纹理特征,并根据形状特征建立形状指数,综合上述知识建立提取规则对地物进行自动分类。分类结果表明,该方法能够消除单纯利用光谱信息分类的不足,有效解决地物混分现象,达到了较高的分类精度。     

基于DEM的湖南省地貌形态特征分类

针对当前地貌分类较少关注微观地貌特征信息的问题,该文依据1∶25万DEM数据开展湖南省地貌形态特征分类的实验研究。首先,确定分类实验的最佳分析窗口为0.28km~2。其次,根据可以反映宏观形态特征的起伏度和切割度指数,可以反映微观形态特征的地形位置指数(TPI),构建了分类指标体系并将湖南省按照地貌形态特征分为12种地貌类型。第三,地貌分形维数值是检验地貌形态特征的重要指标,选用研究区5个小流域并分别计算其分维数值,据此进行分类结果检验。研究结果说明该文的实验方法可以较好地体现微观地貌形态信息。     

基于小波多尺度分析的DEM数据综合及尺度转换

DEM综合是其描述的地形表面细节逐渐舍去、轮廓不断呈现的连续过程。该文运用小波变换和方根模型模拟这一过程,将小波高频系数作为DEM综合的对象,以方根模型作为阈值设定的理论依据,对小波分解各层按不同等级进行取舍实现DEM综合。以1∶1万地形图建立的DEM进行试验,派生一系列不同复杂度的DEM,并用等高线分布特征、坡度和剖面曲率、地形叠加等进行对比分析。结果表明,随着DEM综合程度增大,生成的DEM逐步舍去地形表面细节,同时较好保持了原DEM山体轮廓、山脊和谷地的走向等地貌形态特征。最后,运用回归分析方法建立了派生DEM与相应空间分辨率之间的关系,为DEM尺度效应的应用提供方法和数据支持。     

基于DEM的中国地形起伏度适宜计算尺度研究

基于SRTM和ASTER DEM数据,在全国范围内选取13个实验区,在渐变尺度下计算平均起伏度变化曲线的"突变点",据此确定中国地形起伏度的适宜计算尺度;结合山地界定标准计算各实验区山地面积,并采用人工解译的山地范围对计算结果进行检验。研究结果表明:1)地形起伏度适宜计算尺度与所采用的DEM数据有关,DEM分辨率越小,地形起伏度适宜计算尺度越大;2)针对同一分辨率DEM数据,中国境内的地形起伏度适宜计算尺度随地貌特征变化而变化,但总体变化幅度不大;3)针对SRTM和ASTER DEM两种常用数据源,分别选择4.72km2和3.20km2作为地形起伏度适宜计算尺度是合理的,山地界定精度达90%以上。     

黄土高原数字地形分析研究进展

黄土高原数字地形分析以我国黄土高原为研究对象,基于该区域不同尺度DEM数据提取各类坡面地形因子及特征地形要素,并通过对各种地形因子和特征要素的自身特点、空间分异规律及各因子与要素之间的相互关系建立地学统计模型,从更深层次探讨黄土地貌演化及其空间分异规律,深化对黄土高原的认识。该文总结了黄土高原数字地形分析的基本理论与分析方法,从该区域的DEM数据模型、地形特征要素、地形信息图谱、地形纹理、沟壑信息图谱和地貌发育演化机理等方面对黄土高原数字地形分析的研究成果进行较全面地梳理与分析。可以看出,黄土高原数字地形分析已成为数字地形分析领域独具特色的研究方向,其中很多方法均已成为地貌计量学的重要研究手段。     

基于DEM影像的黄土区域地形自动分割及沟头识别

进行区域地形的自动分割和地理对象的识别提取,对于现代地理分析具有重要意义。该文运用影像分析方法,以中国黄土高原的典型地貌区为实验区,提出了基于DEM影像的地形自动分割和沟头识别方法。在黄土区域地形分割中,以沟谷分支点为种子点,以地表剖面曲率特征分析结果为生长准则,实现了沟间地、沟坡地、沟底地的区域自动分割;在沟坡地形自动分割的基础上,运用面向对象的目标分类识别思路,结合对象的地形和水文特征,进行了沟头对象的自动识别。实验结果表明:地形自动分割结果精度均大于90%,沟头对象的识别准确度为88.27%,验证了该文方法的有效性和可靠性。     

高分辨率遥感影像多尺度分割参数优化及其在面向对象分类中的应用

分割和分类是面向对象分类方法的2个基本步骤,分割的效果会直接影响分类的精度。因此本研究以福建省平潭岛的SPOT-5高空间分辨的遥感影像为研究数据,利用正交试验的方法探究该区域多尺度分割的最优参数,并建立分类规则进行分类。最后将基于像元的监督分类与面向对象的分类方法进行比较分析,得到的总体精度分别为77.50%和89.00%。结果表明,由于面向对象的分类方法能更充分的利用影像的光谱信息、几何结构和纹理特征,在高空间分辨率的遥感影像分类中更具有发展前景。     

一种基于信息盒维数的DEM适宜分辨率确定方法

分辨率是DEM的重要尺度参数,但并不是分辨率越高越好,合适的DEM分辨率既可高精度的反映地形地貌特征,又可避免数据冗余。利用分形能够定量刻画自然地形特征的特点,该文提出一种基于信息盒维数的DEM适宜分辨率确定方法,基于原始DEM数据计算信息盒维数,分析信息盒维数与分辨率的关系,当从某个点开始信息盒维数值变化缓慢且趋于稳定,该点即为确定的适宜DEM分辨率。最后通过资源三号卫星数据生成的DEM数据针对不同平原、丘陵、高山等典型地形确定适宜的分辨率,对该文方法进行了验证。